要約
飛んでくる物体をクッションを効かせてキャッチすることは、人間が一般的に行っている技術であるが、ロボットにとっては依然として大きな課題である。本論文では、移動マニピュレータ上でのコンプライアントキャッチ(CCMM)を実現するために、最適化と学習を組み合わせたフレームワークを提案する。まず、移動マニピュレータ(MM)のための高レベル捕捉プランナを提案し、最適な捕捉点と関節配置を計算する。次に、捕捉前プランナ(pre-catching planner: PRC)により、ロボットが目標とする関節配置にできるだけ早く到達することを保証する。適合した捕捉戦略を学習するために、我々は、時間的依存性を捕捉するLSTMと、空間的コンテキストのための位置エンコーディング（P-LSTM）の長所を活用するネットワークを提案する。このネットワークは、人間の実演から適合的な戦略を効果的に学習するように設計されている。これに続いて、ポストキャッチ（POC）プランナーは、人間とロボットの構造の違いによる潜在的な衝突を回避しながら、P-LSTMによって出力されたコンプライアントシーケンスを追跡する。CCMMフレームワークをシミュレーションと実世界のボールキャッチシナリオの両方を通じて検証し、シミュレーションでは98.70%、実世界テストでは92.59%の成功率を達成し、衝撃トルクを28.7%削減した。オープンソースコードは、コミュニティの参考のために公開される予定である。
要約(オリジナル)
Catching flying objects with a cushioning process is a skill commonly performed by humans, yet it remains a significant challenge for robots. In this paper, we present a framework that combines optimization and learning to achieve compliant catching on mobile manipulators (CCMM). First, we propose a high-level capture planner for mobile manipulators (MM) that calculates the optimal capture point and joint configuration. Next, the pre-catching (PRC) planner ensures the robot reaches the target joint configuration as quickly as possible. To learn compliant catching strategies, we propose a network that leverages the strengths of LSTM for capturing temporal dependencies and positional encoding for spatial context (P-LSTM). This network is designed to effectively learn compliant strategies from human demonstrations. Following this, the post-catching (POC) planner tracks the compliant sequence output by the P-LSTM while avoiding potential collisions due to structural differences between humans and robots. We validate the CCMM framework through both simulated and real-world ball-catching scenarios, achieving a success rate of 98.70% in simulation, 92.59% in real-world tests, and a 28.7% reduction in impact torques. The open source code will be released for the reference of the community.
arxiv情報
| 著者 | Bingjie Chen,Keyu Fan,Qi Yang,Yi Cheng,Houde Liu,Kangkang Dong,Chongkun Xia,Liang Han,Bin Liang |
| 発行日 | 2025-03-02 05:29:26+00:00 |
| arxivサイト | arxiv_id(pdf) |